Immaginare l'estremo invisibile: la scommessa statistica del MIT e il suo prezzo matematico

La previsione di eventi meteorologici senza precedenti storici rappresenta una delle sfide più complesse per i modelli basati sui dati, la cui incertezza tende a esplodere proprio in assenza di esempi pregressi. Per superare questo limite, uno studio pubblicato il 20 agosto 2026 su Nature Communications, dal titolo «Extreme Event Aware (η-) Learning» (articolo s41467-026-76811-x), propone di vincolare l'addestramento attraverso la statistica di un osservabile indicativo dell'estremità. Gli autori, il dottorando Kai Chang e il professor Themis Sapsis del MIT Center for Computational Science and Engineering, hanno introdotto questo vincolo come termine 1-Wasserstein nella funzione di perdita. Come spiegato da Kai Chang a MIT News, l'obiettivo è «modellare eventi estremi e senza precedenti che nessuno ha mai visto prima, che non sono nel dataset».

L'efficacia del metodo è stata testata su un compito di downscaling della precipitazione sul dataset ERA5-Land: precipitazione totale oraria negli Stati Uniti continentali dal 1999 al 2023, aggregata in mappe giornaliere. La parte spaziale del modello è stata addestrata impiegando esclusivamente i primi sei mesi del record, un arco temporale che, secondo quanto riferito dal MIT, non conteneva quasi nessun esempio di piogge estreme. La valutazione è stata condotta su 9.044 mappe accoppiate ad alta e bassa risoluzione. L'approccio nasce per aiutare i pianificatori a quantificare scenari peggiori e senza precedenti storici, come «la Katrina che si verifica ogni cento anni» citata da Themis Sapsis. Il comunicato del MIT illustra il problema con una domanda: se la misura di pioggia più estrema mai registrata a New York è di 200 millimetri, che tempesta ne produrrebbe una da 300? È la formulazione della domanda, non un risultato prodotto dal modello.

Questa capacità di spingersi oltre i dati storici comporta tuttavia un costo di fedeltà puntuale. Secondo i dati del preprint su arXiv (il cui confronto con la versione definitiva su Nature Communications non è stato possibile a causa del paywall di quest'ultima), l'introduzione del vincolo statistico riduce la fedeltà puntuale rispetto a un addestramento standard basato sulla sola perdita quadratica media (MSE). Sull'intero campo, l'errore quadratico medio (RMSE) sale da 2,878 a 3,112 (+8,13%) e l'indice di somiglianza strutturale (SSIM) cala da 0,947 a 0,944. Sui sottoinsiemi di coda — quantili ≥0,95, ≥0,975 e ≥0,99 — l'aumento dell'RMSE va dal 9,21% al 10,30%, mentre la perdita di SSIM resta sotto lo 0,48%. Sui sottoinsiemi di bulk l'RMSE cresce del 6,20-6,92%: la precisione peggiora ovunque, ma peggiora di più proprio dove il metodo dovrebbe dare il suo contributo. Tra i limiti riconosciuti dagli stessi autori figurano l'impossibilità di determinare univocamente la posizione spaziale degli eventi estremi partendo da un osservabile scalare, la dipendenza critica dalla corretta specificazione della distribuzione di riferimento e l'assenza di identificazione dei meccanismi fisici generatori.

Il lavoro, finanziato da una Vannevar Bush Faculty Fellowship e dall'U.S. Air Force Office of Scientific Research, apre a teoriche applicazioni anche nella navigazione robotica e nei mercati finanziari. Il metodo è dimostrato su una sola variabile, la precipitazione, e una sola area, gli Stati Uniti continentali, con dati di rianalisi anziché osservazioni dirette; lo stesso MIT scrive che estenderlo ad altri pericoli richiede statistiche e mappe specifiche di quel pericolo. Non risulta alcuna validazione indipendente esterna al gruppo autore, né un impiego operativo da parte di enti di protezione civile o agenzie meteo.

Il compromesso è dichiarato: qualche punto percentuale di precisione ceduto ovunque, in cambio di scenari che i dati storici non contengono. Se convenga dipende da quanto la distribuzione di riferimento scelta a monte somigli alla realtà — il punto che gli autori stessi indicano come critico.

— Olya